CN111724420A - 一种术中配准方法、装置、存储介质和服务器 - Google Patents
一种术中配准方法、装置、存储介质和服务器 Download PDFInfo
- Publication number
- CN111724420A CN111724420A CN202010406804.7A CN202010406804A CN111724420A CN 111724420 A CN111724420 A CN 111724420A CN 202010406804 A CN202010406804 A CN 202010406804A CN 111724420 A CN111724420 A CN 111724420A
- Authority
- CN
- China
- Prior art keywords
- matrix
- target point
- registration
- initial
- current
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 239000011159 matrix material Substances 0.000 claims abstract description 190
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 43
- 239000000523 sample Substances 0.000 claims abstract description 28
- 238000013519 translation Methods 0.000 claims description 54
- 230000003902 lesion Effects 0.000 claims description 15
- 210000000988 bone and bone Anatomy 0.000 claims description 13
- 238000012216 screening Methods 0.000 claims description 9
- 210000000588 acetabulum Anatomy 0.000 description 4
- 238000002591 computed tomography Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000001356 surgical procedure Methods 0.000 description 2
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004195 computer-aided diagnosis Methods 0.000 description 1
- 238000007408 cone-beam computed tomography Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
- A61B34/20—Surgical navigation systems; Devices for tracking or guiding surgical instruments, e.g. for frameless stereotaxis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
- A61B34/20—Surgical navigation systems; Devices for tracking or guiding surgical instruments, e.g. for frameless stereotaxis
- A61B2034/2046—Tracking techniques
- A61B2034/2065—Tracking using image or pattern recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Surgery (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Robotics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明实施例提供了一种术中配准方法、装置、存储介质和服务器。本发明实施例的方案中，获取病灶图像；通过非刚性配准算法和探针，对病灶图像进行粗配准，生成初始矩阵；通过迭代最近点算法，根据预先采集的源点集、预先生成的目标点集和初始矩阵，生成配准矩阵，无需采购配准设备，可以节约配准成本；保证了配准精度，从而保证了导航手术的精度，进而提高了手术安全性；耗时较短，能够高效实现精确配准。
Description
【技术领域】
本发明涉及计算机辅助医疗技术领域，尤其涉及一种术中配准方法、装置、存储介质和服务器。
【背景技术】
随着计算机辅助诊断的出现，特别是影像导航手术的实现，使得手术过程中医生能够根据术前人体病灶部位的三维图像了解患者病情然后制定规划。影像导航手术是一种集病灶定位准、术中创伤小、手术成功率高等众多优点于一体且使用广泛的临床手术。通常医生采用术中锥形束CT(Cone-beam CT，简称：CBCT)配准方式或术中X片2D-3D配准方式进行配准，引导医生在术中实时跟踪相对患者病灶位置，从而能达到依据医生规划准确切除病灶或者准确植入钢钉等器械的目的，然而，若采用术中CBCT配准方式，需要采购CBCT设备，导致成本增加，术中对患者的辐射次数较多，对患者身体会造成一定伤害，且CBCT图像不够精确，误差较大；若采用术中X片2D-3D配准方式，这种配准算法较为复杂，耗时较长，配准效率较低，导致手术安全性较低。
【发明内容】
有鉴于此，本发明实施例提供了一种术中配准方法、装置、存储介质和服务器，可以节约配准成本；保证了配准精度，从而保证了导航手术的精度，进而提高了手术安全性；耗时较短，能够高效实现精确配准。
一方面，本发明实施例提供了一种术中配准方法，该方法包括：
获取病灶图像；
通过非刚性配准算法和探针，对病灶图像进行粗配准，生成初始矩阵；
通过迭代最近点算法，根据预先采集的源点集、预先生成的目标点集和初始矩阵，生成配准矩阵。
可选地，通过非刚性配准算法和探针，对病灶图像进行粗配准，生成初始矩阵，包括：
通过非刚性配准算法，根据病灶图像，生成第一指定数量的骨性标志点；
根据骨性标志点，通过探针采集骨性标志点对应的相对位置点，生成多组对应点，每组对应点包括骨性标志点和骨性标志点对应的相对位置点；
对多组对应点按照第二指定数量的对应点进行排列组合，生成多个矩阵；
对每个矩阵进行计算，生成每个矩阵对应的误差；
从每个矩阵对应的误差中筛选出最小值，并将最小值对应的矩阵确定为初始矩阵。
可选地，在通过迭代最近点算法，根据预先采集的源点集、预先生成的目标点集和初始矩阵，生成配准矩阵之前，还包括：
通过移动立方体算法，根据病灶图像，生成目标点集。
可选地，在通过迭代最近点算法，根据预先采集的源点集、预先生成的目标点集和初始矩阵，生成配准矩阵之前，还包括：
将病灶图像按照骨面特性划分为多个区域，每个区域包括对应的采集数量；
在每个区域内通过探针按照采集数量任意采集源点；
将采集到的源点作为源点集。
可选地，初始矩阵包括初始旋转矩阵和初始平移矩阵；通过迭代最近点算法，根据预先采集的源点集、预先生成的目标点集和初始矩阵，生成配准矩阵，包括：
从目标点集中任意选取一个初始目标点；
通过公式p'i＝Rpi+t，对初始目标点、初始旋转矩阵和初始平移矩阵进行计算，生成当前目标点，其中，p'i为当前目标点，R为初始旋转矩阵，pi为初始目标点，t为初始平移矩阵；
根据当前目标点和源点集，生成当前旋转矩阵、当前平移矩阵和更新目标点；
通过公式
对更新目标点和最近源点进行计算，生成目标更新点与最近源点的平均距离，其中，n为源点集中源点的数量，p”i为更新目标点，qi为最近源点；
判断平均距离是否小于预设距离阈值；
若判断出平均距离阈值小于预设距离阈值，将当前平移矩阵和当前旋转矩阵进行拼接，生成配准矩阵。
可选地，根据当前目标点和源点集，生成当前旋转矩阵、当前平移矩阵和更新目标点，包括：
通过欧式距离公式，计算出当前目标点与源点集中每个源点之间的距离；
从当前目标点与源点集中每个源点之间的距离中筛选出最小值；
将最小值对应的源点确定为最近源点；
对最近源点和当前目标点进行计算，生成当前旋转矩阵和当前平移矩阵；
通过公式p”i＝R1p'i+t1，对当前目标点、当前旋转矩阵和当前平移矩阵进行计算，生成更新目标点，其中，p'i为当前目标点，R1为当前旋转矩阵，p”i为更新目标点，t1为当前平移矩阵。
可选地，该方法还包括：
若判断出平均距离阈值大于或等于预设距离阈值，将更新目标点作为当前目标点，将当前旋转矩阵确定为初始旋转矩阵，将当前平移矩阵确定为初始平移矩阵，继续执行根据当前目标点和源点集，生成当前旋转矩阵、当前平移矩阵和更新目标点的步骤。
另一方面，本发明实施例提供了一种术中配准装置，包括：
获取单元，用于获取病灶图像；
第一生成单元，用于通过非刚性配准算法和探针，对病灶图像进行粗配准，生成初始矩阵；
第二生成单元，用于通过迭代最近点算法，根据预先采集的源点集、预先生成的目标点集和初始矩阵，生成配准矩阵。
另一方面，本发明实施例提供了一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行上述的术中配准方法。
另一方面，本发明实施例提供了一种服务器，包括存储器和处理器，所述存储器用于存储包括程序指令的信息，所述处理器用于控制程序指令的执行，其特征在于，所述程序指令被处理器加载并执行时实现上述的术中配准方法的步骤。
本发明实施例的方案中，获取病灶图像；通过非刚性配准算法和探针，对病灶图像进行粗配准，生成初始矩阵；通过迭代最近点算法，根据预先采集的源点集、预先生成的目标点集和初始矩阵，生成配准矩阵，无需采购配准设备，可以节约配准成本；保证了配准精度，从而保证了导航手术的精度，进而提高了手术安全性；耗时较短，能够高效实现精确配准。
【附图说明】
图1为本发明实施例提供的一种术中配准方法的流程图；
图2为本发明实施例提供的又一种术中配准方法的流程图；
图3为本发明实施例提供的按照骨面特性划分髋臼部位的图像区域的示意图；
图4为本发明实施例提供的按照骨面特性划分髋臼部位的图像区域的示意图；
图5为本发明实施例提供的按照骨面特性划分髋臼部位的图像区域的示意图；
图6为本发明实施例提供的一种术中配准装置的结构示意图；
图7为本发明实施例提供的一种服务器的示意图。
【具体实施方式】
为了更好的理解本发明的技术方案，下面结合附图对本发明实施例进行详细描述。
应当明确，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。
应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
应当理解，尽管在本发明实施例中可能采用术语第一、第二等来描述设定阈值，但这些设定阈值不应限于这些术语。这些术语仅用来将设定阈值彼此区分开。例如，在不脱离本发明实施例范围的情况下，第一设定阈值也可以被称为第二设定阈值，类似地，第二设定阈值也可以被称为第一设定阈值。
图1为本发明实施例提供的一种术中配准方法的流程图，如图1所示，该方法包括：
步骤101、获取病灶图像。
步骤102、通过非刚性配准算法和探针，对病灶图像进行粗配准，生成初始矩阵。
步骤103、通过迭代最近点算法，根据预先采集的源点集、预先生成的目标点集和初始矩阵，生成配准矩阵。
本发明实施例的方案中，获取病灶图像；通过非刚性配准算法和探针，对病灶图像进行粗配准，生成初始矩阵；通过迭代最近点算法，根据预先采集的源点集、预先生成的目标点集和初始矩阵，生成配准矩阵，无需采购配准设备，可以节约配准成本；保证了配准精度，从而保证了导航手术的精度，进而提高了手术安全性；耗时较短，能够高效实现精确配准。
图2为本发明实施例提供的又一种术中配准方法的流程图,如图2所示，该方法包括：
步骤201、获取病灶图像。
本实施例中，各步骤由服务器执行。
本实施例中，病灶图像为患者在手术前拍摄的图像，该图像为需要进行手术的身体的病灶部位，需要将患者术前拍摄的病灶图像与患者身体部位进行配准，以便医生进行手术。
作为一种可选方案，图像为电子计算机断层扫描(Computed Tomography，简称：CT)图像。
步骤202、通过非刚性配准算法，根据病灶图像，生成第一指定数量的骨性标志点。
具体地，将病灶图像输入非刚性配准算法，生成第一指定数量地骨性标志点。
本实施例中，第一指定数量可根据实际情况进行设置。作为一种可选方案，第一指定数量为6个。
本实施例中，骨性标志点包括在人的体表形成较明显的隆起或凹陷的骨点。
步骤203、根据骨性标志点，通过探针采集骨性标志点对应的相对位置点，生成多组对应点，每组对应点包括骨性标志点和骨性标志点对应的相对位置点。
本实施例中，骨性标志点为病灶图像中的点，利用探针在患者体表上采集与病灶图像中的点对应的相对位置点。
例如：生成6个骨性标志点，则通过探针采集到的相对位置点为6个，生成6组对应点，每组对应点包括骨性标志点和骨性标志点对应的相对位置点。
步骤204、对多组对应点按照第二指定数量的对应点进行排列组合，生成多个矩阵。
具体地，任意选择多组对应点中的第二指定数量的对应点进行排列组合，计算得到多个矩阵。
本实施例中，第二指定数量可根据实际情况进行设置。作为一种可选方案，第二指定数量为4个。
例如，生成6组对应点，第二指定数量为4个，对6组对应点按照4组对应点进行排列组合，即：
计算得到15个矩阵。
步骤205、对每个矩阵进行计算，生成每个矩阵对应的误差。
本实施例中，矩阵是由旋转矩阵和平移矩阵拼接组成的。
具体地，通过公式
对骨性标志点、骨性标志点对应的相对位置点、旋转矩阵和平移矩阵进行计算，生成每个矩阵对应的误差，其中，s2为每个矩阵对应的误差，N为对应点的数量，Qi为第i个相对位置点，R为旋转矩阵，Pi为第i个骨性标志点，t为平移矩阵。
步骤206、从每个矩阵对应的误差中筛选出最小值，并将最小值对应的矩阵确定为初始矩阵。
本实施例中，初始矩阵包括初始旋转矩阵和初始平移矩阵，初始矩阵是由初始旋转矩阵和初始平移矩阵拼接组成的。
本实施例中，将误差最小的矩阵确定为初始矩阵可以提高配准的精度，进而能够提高后续对矩阵进行精配准的效率。
步骤207、通过移动立方体算法，根据病灶图像，生成目标点集。
具体地，将病灶图像输入移动立方体(Marching Cube)算法，生成多个患者需要进行手术的病灶部位的骨面点；将多个骨面点确定为目标点集。
步骤208、将病灶图像按照骨面特性划分为多个区域，每个区域包括对应的采集数量。
例如：病灶图像为髋臼部位的图像，图3至图5为本发明实施例提供的按照骨面特性划分髋臼部位的图像区域的示意图，如图3所示，图中阴影部分为髋臼外沿1；如图4所示，图中阴影部分为髋臼窝2；如图5所示，图中阴影部分为髋臼月状面3，即：将髋臼部位的图像按照骨面特性划分为髋臼外沿、髋臼窝和髋臼月状面三个区域。
本实施例中，每个区域对应的采集数量可以根据实际情况进行设置。例如：将病灶图像按照骨面特性划分为3个区域，第一个区域对应的采集数量为5个点，第二个区域对应的采集数量为10个点，第三个区域对应的采集数量为15个点。
本实施例中，采集数量为后续探针采集源点的数量。
步骤209、在每个区域内通过探针按照采集数量任意采集源点。
进一步地，每个区域内的点间距离大于预设距离阈值。其中，点间距离包括每个区域内任意2个源点之间的距离；距离阈值可根据实际情况进行设置。作为一种可选方案，距离阈值设置为5毫米。
例如：距离阈值设置为5毫米，第一个区域对应的采集数量为5个点，利用探针在第一个区域内任意采集5个源点，5个源点中任意2个源点之间的距离大于5毫米；第二个区域对应的采集数量为10个点，利用探针在第二个区域内任意采集10个源点，10个源点中任意2个源点之间的距离大于5毫米；第三个区域对应的采集数量为15个点，利用探针在第三个区域内任意采集15个源点，15个源点中任意2个源点之间的距离大于5毫米。
步骤210、将采集到的源点作为源点集。
本实施例中，将多个区域内采集到的源点确定为源点集。例如：第一个区域采集到5个源点，第二个区域采集到10个源点，第三个区域采集到15个源点，将多个区域内采集到的30个源点确定为源点集。
本实施例中，通过探针进行分区域采集源点的策略可以提高配准效率和配准成功率，且能够提升配准结果的精度。
本发明实施例中，不限定步骤208至步骤210与步骤207的执行顺序，即：可以先执行步骤207再执行步骤208至步骤210，也可以先执行步骤208至步骤210再执行步骤207。
步骤211、从目标点集中任意选取一个初始目标点。
本实施例中，目标点集中包括多个目标点，从多个目标点中任意选取一个目标点，将选取的目标点作为初始目标点。
步骤212、对初始目标点、初始旋转矩阵和初始平移矩阵进行计算，生成当前目标点。
具体地，通过公式p'i＝Rpi+t，对初始目标点、初始旋转矩阵和初始平移矩阵进行计算，生成当前目标点，其中，p'i为当前目标点，R为初始旋转矩阵，pi为初始目标点，t为初始平移矩阵。
步骤213、根据当前目标点和源点集，生成当前旋转矩阵、当前平移矩阵和更新目标点。
本实施例中，步骤213具体包括：
步骤2131、通过欧式距离公式，计算出当前目标点与源点集中每个源点之间的距离。
具体地，通过欧式距离公式
对当前目标点和源点集中每个源点进行计算，生成当前目标点与源点集中每个源点之间的距离。其中，(xi,yi)为源点集中第i个源点的位置，(x1,y1)为当前目标点的位置，di为当前目标点与源点集中第i个源点之间的距离。
步骤2132、从当前目标点与源点集中每个源点之间的距离中筛选出最小值。
步骤2133、将最小值对应的源点确定为最近源点。
本实施例中，将最小值对应的源点确定为最近源点，即：从源点集中筛选出与当前目标点距离最近的一个源点，将该源点确定为最近源点。
步骤2134、对最近源点和当前目标点进行计算，生成当前旋转矩阵和当前平移矩阵。
具体地，通过公式
使目标函数最小化，生成当前旋转矩阵和当前平移矩阵，其中，s'2为目标函数，n为源点集中源点的数量，qi为最近源点，R1为当前旋转矩阵，p'i为当前目标点，t1为当前平移矩阵。
步骤2135、对当前目标点、当前旋转矩阵和当前平移矩阵进行计算，生成更新目标点。
具体地，通过公式p”i＝R1p'i+t1，对当前目标点、当前旋转矩阵和当前平移矩阵进行计算，生成更新目标点，其中，p'i为当前目标点，R1为当前旋转矩阵，p”i为更新目标点，t1为当前平移矩阵。
步骤214、对更新目标点和最近源点进行计算，生成目标更新点与最近源点的平均距离。
具体地，通过公式
对更新目标点和最近源点进行计算，生成目标更新点与最近源点的平均距离，其中，n为源点集中源点的数量，p”i为更新目标点，qi为最近源点。
步骤215、判断平均距离是否小于预设距离阈值，若是，执行步骤217；若否，执行步骤216。
本步骤中，若判断出平均距离小于预设距离阈值，表明目标点集与源点集足够靠近，可以保证迭代最近点(Iterative Closest Points，简称：ICP)算法的收敛性，继续执行步骤217；若判断出平均距离大于或等于预设距离阈值，表明目标点集与源点集不够靠近，需要再次迭代，继续执行步骤216。
本实施例中，距离阈值可根据实际情况预先设置。
作为一种可选方案，设置迭代次数累加值和最大迭代次数，其中，设置迭代次数累加值的初始值设置为0，最大迭代次数可根据实际情况进行设置。当步骤214执行完成后，将迭代次数累加值进行加1处理；判断迭代次数累加值是否大于最大迭代次数，若判断出迭代次数累加值大于最大迭代次数，表明目标点集与源点集足够靠近，可以保证ICP算法的收敛性，继续执行步骤217；若判断出迭代次数小于或等于最大迭代次数，表明目标点集与源点集不够靠近，需要再次迭代，继续执行步骤216。
步骤216、将更新目标点作为当前目标点，将当前旋转矩阵确定为初始旋转矩阵，将当前平移矩阵确定为初始平移矩阵，继续执行步骤213。
本实施例中，将更新目标点作为当前目标点，将当前旋转矩阵确定为初始旋转矩阵，将当前平移矩阵确定为初始平移矩阵，继续执行步骤213进行迭代计算，以便获得最精准的配准结果。
步骤217、将当前平移矩阵和当前旋转矩阵进行拼接，生成配准矩阵，流程结束。
本发明实施例的方案中，获取病灶图像；通过非刚性配准算法和探针，对病灶图像进行粗配准，生成初始矩阵；通过迭代最近点算法，根据预先采集的源点集、预先生成的目标点集和初始矩阵，生成配准矩阵，无需采购配准设备，可以节约配准成本；保证了配准精度，从而保证了导航手术的精度，进而提高了手术安全性；耗时较短，能够高效实现精确配准。
图6为本发明实施例提供的一种术中配准装置的结构示意图，该装置用于执行上述术中配准方法，如图6所示，该装置包括：获取单元11、第一生成单元12和第二生成单元13。
获取单元11用于获取病灶图像。
第一生成单元12用于通过非刚性配准算法和探针，对病灶图像进行粗配准，生成初始矩阵。
第二生成单元13用于通过迭代最近点算法，根据预先采集的源点集、预先生成的目标点集和初始矩阵，生成配准矩阵。
本发明实施例中，第一生成单元12具体用于通过非刚性配准算法，根据病灶图像，生成第一指定数量的骨性标志点；根据骨性标志点，通过探针采集骨性标志点对应的相对位置点，生成多组对应点，每组对应点包括骨性标志点和骨性标志点对应的相对位置点；对多组对应点按照第二指定数量的对应点进行排列组合，生成多个矩阵；对每个矩阵进行计算，生成每个矩阵对应的误差；从每个矩阵对应的误差中筛选出最小值，并将最小值对应的矩阵确定为初始矩阵。
本发明实施例中，所述装置还包括：第三生成单元14。
第三生成单元14用于通过移动立方体算法，根据病灶图像，生成目标点集。
本发明实施例中，所述装置还包括：划分单元15、采集单元16和第一确定单元17。
划分单元15用于将病灶图像按照骨面特性划分为多个区域，每个区域包括对应的采集数量。
采集单元16用于在每个区域内通过探针按照采集数量任意采集源点。
第一确定单元17将采集到的源点作为源点集。
本发明实施例中，第二生成单元13具体用于从目标点集中任意选取一个初始目标点；通过公式p'i＝Rpi+t，对初始目标点、初始旋转矩阵和初始平移矩阵进行计算，生成当前目标点，其中，p'i为当前目标点，R为初始旋转矩阵，pi为初始目标点，t为初始平移矩阵；根据当前目标点和源点集，生成当前旋转矩阵、当前平移矩阵和更新目标点；通过公式
对更新目标点和最近源点进行计算，生成目标更新点与最近源点的平均距离，其中，n为源点集中源点的数量，p”i为更新目标点，qi为最近源点；判断平均距离是否小于预设距离阈值；若判断出平均距离阈值小于预设距离阈值，将当前平移矩阵和当前旋转矩阵进行拼接，生成配准矩阵。
本发明实施例中，第二生成单元13还用于通过欧式距离公式，计算出当前目标点与源点集中每个源点之间的距离；从当前目标点与源点集中每个源点之间的距离中筛选出最小值；将最小值对应的源点确定为最近源点；对最近源点和当前目标点进行计算，生成当前旋转矩阵和当前平移矩阵；通过公式p”i＝R1p'i+t1，对当前目标点、当前旋转矩阵和当前平移矩阵进行计算，生成更新目标点，其中，p'i为当前目标点，R1为当前旋转矩阵，p”i为更新目标点，t1为当前平移矩阵。
本发明实施例中，所述装置还包括第二确定单元18。
第二确定单元18用于若第二生成单元13判断出平均距离阈值大于或等于预设距离阈值，将更新目标点作为当前目标点，将当前旋转矩阵确定为初始旋转矩阵，将当前平移矩阵确定为初始平移矩阵，继续执行根据当前目标点和源点集，生成当前旋转矩阵、当前平移矩阵和更新目标点的步骤。
本发明实施例的方案中，获取病灶图像；通过非刚性配准算法和探针，对病灶图像进行粗配准，生成初始矩阵；通过迭代最近点算法，根据预先采集的源点集、预先生成的目标点集和初始矩阵，生成配准矩阵，无需采购配准设备，可以节约配准成本；保证了配准精度，从而保证了导航手术的精度，进而提高了手术安全性；耗时较短，能够高效实现精确配准。
本发明实施例提供了一种存储介质，存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行上述术中配准方法的实施例的各步骤，具体描述可参见上述术中配准方法的实施例。
本发明实施例提供了一种服务器，包括存储器和处理器，存储器用于存储包括程序指令的信息，处理器用于控制程序指令的执行，程序指令被处理器加载并执行时实现上述术中配准方法的实施例的各步骤，具体描述可参见上述术中配准方法的实施例。
图7为本发明实施例提供的一种服务器的示意图。如图7所示，该实施例的服务器20包括：处理器21、存储器22以及存储在存储22中并可在处理器21上运行的计算机程序23，该计算机程序23被处理器21执行时实现实施例中的应用于术中配准方法，为避免重复，此处不一一赘述。或者，该计算机程序被处理器21执行时实现实施例中应用于术中配准装置中各模型/单元的功能，为避免重复，此处不一一赘述。
服务器20包括，但不仅限于，处理器21、存储器22。本领域技术人员可以理解，图7仅仅是服务器20的示例，并不构成对服务器20的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如服务器还可以包括输入输出设备、网络接入设备、总线等。
所称处理器21可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器22可以是服务器20的内部存储单元，例如服务器20的硬盘或内存。存储器22也可以是服务器20的外部存储设备，例如服务器20上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，存储器22还可以既包括服务器20的内部存储单元也包括外部存储设备。存储器22用于存储计算机程序以及服务器所需的其他程序和数据。存储器22还可以用于暂时地存储已经输出或者将要输出的数据。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。
Claims (10)
1.一种术中配准方法，其特征在于，所述方法包括：
获取病灶图像；
通过非刚性配准算法和探针，对所述病灶图像进行粗配准，生成初始矩阵；
通过迭代最近点算法，根据预先采集的源点集、预先生成的目标点集和所述初始矩阵，生成配准矩阵。
2.根据权利要求1所述的术中配准方法，其特征在于，所述通过非刚性配准算法和探针，对所述病灶图像进行粗配准，生成初始矩阵，包括：
通过所述非刚性配准算法，根据所述病灶图像，生成第一指定数量的骨性标志点；
根据所述骨性标志点，通过所述探针采集所述骨性标志点对应的相对位置点，生成多组对应点，每组所述对应点包括骨性标志点和所述骨性标志点对应的相对位置点；
对多组所述对应点按照第二指定数量的对应点进行排列组合，生成多个矩阵；
对每个所述矩阵进行计算，生成每个所述矩阵对应的误差；
从每个所述矩阵对应的误差中筛选出最小值，并将最小值对应的矩阵确定为初始矩阵。
3.根据权利要求1所述的术中配准方法，其特征在于，在通过迭代最近点算法，根据预先采集的源点集、预先生成的目标点集和所述初始矩阵，生成配准矩阵之前，还包括：
通过移动立方体算法，根据病灶图像，生成目标点集。
4.根据权利要求1所述的术中配准方法，其特征在于，在通过迭代最近点算法，根据预先采集的源点集、预先生成的目标点集和所述初始矩阵，生成配准矩阵之前，还包括：
将所述病灶图像按照骨面特性划分为多个区域，每个所述区域包括对应的采集数量；
在每个所述区域内通过所述探针按照所述采集数量任意采集源点；
将采集到的源点作为源点集。
5.根据权利要求1所述的术中配准方法，其特征在于，所述初始矩阵包括初始旋转矩阵和初始平移矩阵；通过迭代最近点算法，根据预先采集的源点集、预先生成的目标点集和所述初始矩阵，生成配准矩阵，包括：
从所述目标点集中任意选取一个初始目标点；
通过公式p'i＝Rpi+t，对所述初始目标点、所述初始旋转矩阵和所述初始平移矩阵进行计算，生成当前目标点，其中，p'i为当前目标点，R为初始旋转矩阵，pi为初始目标点，t为初始平移矩阵；
根据所述当前目标点和所述源点集，生成当前旋转矩阵、当前平移矩阵和更新目标点；
通过公式
对所述更新目标点和所述最近源点进行计算，生成所述目标更新点与所述最近源点的平均距离，其中，n为源点集中源点的数量，p”i为更新目标点，qi为最近源点；
判断所述平均距离是否小于预设距离阈值；
若判断出所述平均距离阈值小于预设距离阈值，将所述当前平移矩阵和所述当前旋转矩阵进行拼接，生成配准矩阵。
6.根据权利要求5所述的术中配准方法，其特征在于，所述根据所述当前目标点和所述源点集，生成当前旋转矩阵、当前平移矩阵和更新目标点，包括：
通过欧式距离公式，计算出所述当前目标点与所述源点集中每个源点之间的距离；
从所述当前目标点与所述源点集中每个源点之间的距离中筛选出最小值；
将最小值对应的源点确定为最近源点；
对所述最近源点和所述当前目标点进行计算，生成当前旋转矩阵和当前平移矩阵；
通过公式p”i＝R1p'i+t1，对所述当前目标点、当前旋转矩阵和当前平移矩阵进行计算，生成更新目标点，其中，p'i为当前目标点，R1为当前旋转矩阵，p”i为更新目标点，t1为当前平移矩阵。
7.根据权利要求5所述的术中配准方法，其特征在于，所述方法还包括：
若判断出所述平均距离阈值大于或等于预设距离阈值，将所述更新目标点作为当前目标点，将所述当前旋转矩阵确定为初始旋转矩阵，将所述当前平移矩阵确定为初始平移矩阵，继续执行所述根据所述当前目标点和所述源点集，生成当前旋转矩阵、当前平移矩阵和更新目标点的步骤。
8.一种术中配准装置，其特征在于，所述装置包括：
获取单元，用于获取病灶图像；
第一生成单元，用于通过非刚性配准算法和探针，对所述病灶图像进行粗配准，生成初始矩阵；
第二生成单元，用于通过迭代最近点算法，根据预先采集的源点集、预先生成的目标点集和所述初始矩阵，生成配准矩阵。
9.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行权利要求1至7中任意一项所述的术中配准方法。
10.一种服务器，包括存储器和处理器，所述存储器用于存储包括程序指令的信息，所述处理器用于控制程序指令的执行，其特征在于，所述程序指令被处理器加载并执行时实现权利要求1至7任意一项所述的术中配准方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010406804.7A CN111724420A (zh) | 2020-05-14 | 2020-05-14 | 一种术中配准方法、装置、存储介质和服务器 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010406804.7A CN111724420A (zh) | 2020-05-14 | 2020-05-14 | 一种术中配准方法、装置、存储介质和服务器 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111724420A true CN111724420A (zh) | 2020-09-29 |
Family
ID=72564431
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010406804.7A Pending CN111724420A (zh) | 2020-05-14 | 2020-05-14 | 一种术中配准方法、装置、存储介质和服务器 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111724420A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112382359A (zh) * | 2020-12-09 | 2021-02-19 | 北京柏惠维康科技有限公司 | 患者注册方法、装置、电子设备及计算机可读介质 |
| CN113558766A (zh) * | 2021-07-19 | 2021-10-29 | 北京纳通医学研究院有限公司 | 图像配准方法、装置、手术机器人以及手术机器人系统 |
| CN113616350A (zh) * | 2021-07-16 | 2021-11-09 | 元化智能科技(深圳)有限公司 | 标记点选取位置的验证方法、装置、终端设备和存储介质 |
| CN115775266A (zh) * | 2023-02-13 | 2023-03-10 | 北京精准医械科技有限公司 | 一种应用于实时穿刺手术机器人的配准方法 |
| CN116019554A (zh) * | 2021-12-15 | 2023-04-28 | 商丘市第一人民医院 | 一种脊柱外科导航中空间配准加速方法及系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050080328A1 (en) * | 2002-06-04 | 2005-04-14 | General Electric Company | Method and apparatus for medical intervention procedure planning and location and navigation of an intervention tool |
| CN101887525A (zh) * | 2010-07-09 | 2010-11-17 | 北京师范大学 | 基于分级的正反互逆的三维稠密点集快速配准方法 |
| CN102999902A (zh) * | 2012-11-13 | 2013-03-27 | 上海交通大学医学院附属瑞金医院 | 基于ct配准结果的光学导航定位系统及其导航方法 |
| CN105310776A (zh) * | 2014-12-02 | 2016-02-10 | 复旦大学 | 一种基于子块的软组织表面变形追踪方法 |
| CN108652740A (zh) * | 2018-04-26 | 2018-10-16 | 上海交通大学 | 一种游离骨块位置实时跟踪的标定方法 |
| CN109994188A (zh) * | 2019-03-12 | 2019-07-09 | 上海嘉奥信息科技发展有限公司 | 基于ndi的神经外科导航配准测试方法和系统 |
| CN110167477A (zh) * | 2017-02-01 | 2019-08-23 | 直观外科手术操作公司 | 图像引导手术的配准系统和方法 |
| CN110288638A (zh) * | 2019-06-18 | 2019-09-27 | 济南大学 | 一种断骨模型粗配准方法、系统及断骨模型配准方法 |
| CN110946659A (zh) * | 2019-12-25 | 2020-04-03 | 武汉中科医疗科技工业技术研究院有限公司 | 影像空间与实际空间的注册方法及系统 |
-
2020
- 2020-05-14 CN CN202010406804.7A patent/CN111724420A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050080328A1 (en) * | 2002-06-04 | 2005-04-14 | General Electric Company | Method and apparatus for medical intervention procedure planning and location and navigation of an intervention tool |
| CN1748646A (zh) * | 2004-08-12 | 2006-03-22 | 通用电气公司 | 医学介入过程计划、位置和导航的介入工具的方法和装置 |
| CN101887525A (zh) * | 2010-07-09 | 2010-11-17 | 北京师范大学 | 基于分级的正反互逆的三维稠密点集快速配准方法 |
| CN102999902A (zh) * | 2012-11-13 | 2013-03-27 | 上海交通大学医学院附属瑞金医院 | 基于ct配准结果的光学导航定位系统及其导航方法 |
| CN105310776A (zh) * | 2014-12-02 | 2016-02-10 | 复旦大学 | 一种基于子块的软组织表面变形追踪方法 |
| CN110167477A (zh) * | 2017-02-01 | 2019-08-23 | 直观外科手术操作公司 | 图像引导手术的配准系统和方法 |
| US20200000526A1 (en) * | 2017-02-01 | 2020-01-02 | Intuitive Surgical Operations, Inc. | Systems and methods of registration for image-guided procedures |
| CN108652740A (zh) * | 2018-04-26 | 2018-10-16 | 上海交通大学 | 一种游离骨块位置实时跟踪的标定方法 |
| CN109994188A (zh) * | 2019-03-12 | 2019-07-09 | 上海嘉奥信息科技发展有限公司 | 基于ndi的神经外科导航配准测试方法和系统 |
| CN110288638A (zh) * | 2019-06-18 | 2019-09-27 | 济南大学 | 一种断骨模型粗配准方法、系统及断骨模型配准方法 |
| CN110946659A (zh) * | 2019-12-25 | 2020-04-03 | 武汉中科医疗科技工业技术研究院有限公司 | 影像空间与实际空间的注册方法及系统 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112382359A (zh) * | 2020-12-09 | 2021-02-19 | 北京柏惠维康科技有限公司 | 患者注册方法、装置、电子设备及计算机可读介质 |
| CN113616350A (zh) * | 2021-07-16 | 2021-11-09 | 元化智能科技(深圳)有限公司 | 标记点选取位置的验证方法、装置、终端设备和存储介质 |
| CN113558766A (zh) * | 2021-07-19 | 2021-10-29 | 北京纳通医学研究院有限公司 | 图像配准方法、装置、手术机器人以及手术机器人系统 |
| CN116019554A (zh) * | 2021-12-15 | 2023-04-28 | 商丘市第一人民医院 | 一种脊柱外科导航中空间配准加速方法及系统 |
| CN116019554B (zh) * | 2021-12-15 | 2024-03-05 | 商丘市第一人民医院 | 一种脊柱外科导航中空间配准加速方法及系统 |
| CN115775266A (zh) * | 2023-02-13 | 2023-03-10 | 北京精准医械科技有限公司 | 一种应用于实时穿刺手术机器人的配准方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111724420A (zh) | 一种术中配准方法、装置、存储介质和服务器 | |
| Maurer et al. | Registration of head CT images to physical space using a weighted combination of points and surfaces [image-guided surgery] | |
| JP5474303B2 (ja) | 手術計画立案 | |
| EP3608870A1 (en) | Computer assisted identification of appropriate anatomical structure for medical device placement during a surgical procedure | |
| Ma et al. | Robust registration for computer-integrated orthopedic surgery: laboratory validation and clinical experience | |
| JP5243754B2 (ja) | 画像データの位置合わせ | |
| WO2023078309A1 (zh) | 目标特征点提取方法、装置、计算机设备和存储介质 | |
| CN113966204B (zh) | 为医疗介入自动规划轨迹的方法 | |
| EP3788596B1 (en) | Lower to higher resolution image fusion | |
| US20060204067A1 (en) | Determining shaft and femur neck axes and three-dimensional reconstruction | |
| CN111249002B (zh) | 全膝关节置换的术中规划调整方法、装置及设备 | |
| WO2014117805A1 (en) | Three-dimensional image segmentation based on a two-dimensional image information | |
| CN114332378B (zh) | 基于二维医学影像的人体骨骼三维模型获取方法及系统 | |
| KR20230093023A (ko) | 초음파 기반 다중 뼈 정합 수술 시스템 및 컴퓨터 보조 수술에서의 사용 방법 | |
| US20230154018A1 (en) | Method and navigation system for registering two-dimensional image data set with three-dimensional image data set of body of interest | |
| CN115526929A (zh) | 基于图像的配准方法和装置 | |
| Morooka et al. | A survey on statistical modeling and machine learning approaches to computer assisted medical intervention: Intraoperative anatomy modeling and optimization of interventional procedures | |
| JP2019126654A (ja) | 画像処理装置、画像処理方法、及びプログラム | |
| Cai et al. | A level-wise spine registration framework to account for large pose changes | |
| CN113891691A (zh) | 肩部稳定性增强手术的自动规划 | |
| CN114938995B (zh) | 应用于髋关节置换手术的骨盆配准系统和医疗设备 | |
| WO2022229816A1 (en) | 3d reconstruction of anatomical images | |
| CN111583240B (zh) | 一种股骨端前后轴线的确定方法、装置和计算机设备 | |
| KR20220096157A (ko) | 마커리스 기반의 3차원 영상 정합 방법 및 이를 이용한 3차원 객체 추적 방법 및 장치 | |
| CN116452755B (zh) | 一种骨骼模型构建方法、系统、介质及设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |